一句话定义：One-Class SVM（单类支持向量机）是一种只用正常样本训练的异常检测方法：它学出一个包围正常数据的边界，落在边界之外的就判为异常。
它到底在算什么
普通分类器要有正反两类样本才画得出分界线。可现实里“异常”往往没样本：机器很少坏，攒不出足够故障数据；欺诈手法天天变，昨天的骗术代表不了明天。
One-Class SVM 换了个问法：不学“正常 vs 异常”的分界，只学“正常长什么样”。做法是用核函数（kernel）把样本映射到高维空间，在那里找一个离原点尽量远、又把所有正常点留在同一侧的超平面；距离原点越远，留给“正常”的余量越宽裕。另一种等价看法是：找一个尽量小的区域把正常点包住。
打个比方：桌上插着一堆图钉代表正常样本，你用一张有弹性的保鲜膜从上面罩下去，膜被图钉撑出起伏，贴着它们绷紧；膜包住的形状就是模型认定的“正常范围”。核函数决定这张膜能弯到什么程度，新来的点落在膜外就报警。常用的 RBF 核（径向基核）让边界可以是不规则的一圈。参数 ν（nu）控制收紧程度，大致对应“允许多大比例训练点落在边界外”，通常按估计的污染率来设。
和相邻概念的区别
| 方法 | 需要什么数据 | 边界形态 | 特点 |
|---|---|---|---|
| 二分类 SVM | 正常+异常，都有标签 | 核方法，可非线性 | 有异常样本时更直接 |
| One-Class SVM | 只要正常样本 | 核方法，可非线性 | 小样本可用，对特征尺度敏感 |
| 孤立森林 Isolation Forest | 正常样本（可混少量异常） | 随机切分 | 高维、大数据更省事，不用算核矩阵 |
| LOF 局部异常因子 | 正常样本，需算近邻密度 | 局部密度 | 适合密度不均的数据 |
| 自编码器 Autoencoder | 大量正常样本 | 重构误差 | 需要数据量与调参 |
对实际工作的意义
工业质检（缺陷件本来就少）、设备预测性维护、盗刷与欺诈识别、系统日志异常、罕见病变筛查，都是它的主场：手边几乎只有“正常”。
三个常见坑：一是训练集要干净，混进去的异常会被写进边界，模型从此对那类问题视而不见；二是正常要覆盖全，只采了白天工况，夜间的正常波动也会被当成异常；三是输出分数不是概率，它是带符号的到边界距离，告警阈值得自己在验证集上定，或做概率校准。另外 SVM 类方法对特征尺度敏感，先标准化。
工程上建议先跑个便宜基线（均值方差、马氏距离、孤立森林），确认额外复杂度真换来效果提升，再上生产。具体默认参数以所用库的官方文档为准。